基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测

为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。

基于YOLOv7-Tiny算法的无人机实时跟踪野生动物方法

借助无人机边缘计算技术监测野生动物的运动状态和种群发展变化已成为科研工作者广泛使用的技术手段。传统跟踪算法算力高,机载边缘设备硬件资源算力不足,在户外复杂的自然环境下难以实现实时跟踪。为解决野外环境中无人机跟踪野生动物时遇到树木遮挡和背景干扰导致无法准确实时跟踪的问题,选取东北地区东北虎(Panthera tigris altaica)、狍(Capreolus pygargus mantschuricus)和驯鹿(Rangifer tarandus phylarchus)为研究对象,以YOLOv7-Tiny+Bot-SORT作为检测跟踪的基础框架,提出了一种轻量化的无人机跟踪算法。首先,采用FasterNet网络减少模型冗余计算,增强特征图中目标区域关注度;其次,采用高效通道注意力机制实现局部跨通道交流,降低复杂环境对检测网络的影响,提升网络检测能力;最后,为降低计算成本,替换重识别网络,提高无人机跟踪速度。结果显示:提出的实时跟踪方法准确度(MOTA)和精确度(MOTP)分别达到79.93%和73.48%,跟踪速度从3.4帧/s提升到43.4帧/s。研究表明,提出的算法不仅在提升跟踪精度和速度方面表现出色,而且更适用于算力有限的边缘设备,为保护野生动物的多样性和群体行为研究提供了强大的技术支持。

基于FG-YOLOv7-tiny算法的耐张线夹X光图像压接缺陷检测

为保证输电线路的安全可靠运行,电力巡检的重要任务是耐张线夹压接缺陷检测。为此,提出了快速幽灵YOLOv7-tiny(faster neural networks ghost convolution-you only look once version 7-tiny,FG-YOLOv7-tiny)算法进行耐张线夹压接缺陷检测。首先,构建包含5类常见压接缺陷的耐张线夹X光图像数据集;其次,使用快速神经网络(faster neural networks,FasterNet)替代YOLOv7-tiny的高效聚合网络(efficient layer aggregation networks,ELAN)以减小模型大小;最后,使用幽灵空间金字塔池化交叉阶段部分连接网络(ghost spatial pyramid pooling cross stage partial connection networks,GhostSPPCSPC)替换YOLOv7-tiny使用的空间金字塔池化交叉阶段部分连接网络以提升检测精度。实验结果表明,FG-YOLOv7-tiny算法的精度、平均精度均值分别达到91.30%、94.28%,相比于原始YOLOv7-tiny算法分别提升了3.99%、1.59%;模型大小为22.25 MB;检测速度达到172.41帧/s,能满足实时检测的要求。因此,FG-YOLOv7-tiny算法提升了检测精度,可实现耐张线夹压接缺陷的有效检测,并满足边缘设备部署的要求。

基于改进YOLOv7-tiny算法的输电线路螺栓缺销检测

为提高无人机对架空输电线路巡检的效率和线路中螺栓缺销的检测精度,提出了改进的你只看一次第7微小版(you only look once version 7-tiny,YOLOv7-tiny)输电线路螺栓缺销检测算法。该算法采用高效的分布移位卷积(distribution shifting convolution,DSConv)来替换YOLOv7-tiny网络中的3×3卷积,以提高模型的计算速度并降低计算复杂度;在模型的检测头部分,添加了高效解耦头结构,以提高模型的准确度和稳定性;并采用明智的交并比(wise intersection over union,WIoU)损失函数来提高正样本的权重,使模型更加关注缺销螺栓目标,以减少正负样本不平衡带来的噪声干扰。实验结果表明,改进YOLOv7-tiny算法对输电线路螺栓缺销检测的平均精度均值达到90.6%,检测速度达到143.0帧/s,同时实现了检测的高速度和高精度。该算法在无人机输电线路巡检中具有一定的优势。

基于改进YOLOv7-tiny的高空作业人员安防装备检测算法

针对现有高空作业人员安防装备检测算法参数量较大且检测目标相对单一,难以适应复杂的高空作业场景等问题,提出一种基于改进YOLOv7-tiny的高空作业人员安防装备检测算法。首先,将主干网络重新设计为更轻量的YOLOv7-FasterNet,并调整空间金字塔池化结构,实现模型参数量的压缩;其次,在ELAN-L模块中扩展梯度传输路径的分支,解决了模型压缩造成的通道信息缺失问题,提升了特征信息的提取能力;最后,将网络中下采样部分替换为Involution模块,降低参数冗余,增强网络对全局的捕获能力。实验结果表明,改进的YOLOv7-tiny算法能够更好地适应复杂高空作业场景,在开源数据集上具备良好的性能。该算法的平均检测精度达到94.7%,较原模型提升1.5%,参数量较原模型下降11.6%,实验结果验证了算法改进措施的有效性。

基于通道剪枝的YOLOv7-tiny输电线路异物检测算法

针对输电线路异物检测精度不佳且模型庞大的问题,提出了基于通道剪枝的改进YOLOv7-tiny算法用于输电线路异物检测。用ReXNet网络替代了YOLOv7-tiny的骨干网络改进原网络的特征瓶颈问题。引入了多样化分支块从而增加网络特征融合能力,通过基于层自适应幅度的修剪(LAMP)剪枝方案损失一定精度换取模型体积、运算量的降低,为下一步部署到嵌入式设备做好准备。实验结果表明,最终的改进模型相对于YOLOv7-tiny模型精度上提升3个百分点,FPS提升原来的119.4%,模型大小压缩到原来的14%。

改进YOLOv7-tiny的无人机目标检测算法

针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题,提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络,加强主干网络对特征图信息的提取能力;增加细小目标采样尺度并改进FPN结构,使主干网络输出的特征图可以用于后续上采样和下采样当中,提高网络精度;加入CA注意力机制,优化主干网络输出特征图,减少特征信息损失;使用WIoU损失函数计算定位损失,增强网络对小目标的检测能力。实验结果表明,相较于原算法,改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点,mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点,有效提高了算法的检测精度。

改进YOLOv7-tiny的手语识别算法研究

在与听障人士进行交流时,常常会面临交流不便的困难,文中提出一种手语识别的改进模型来解决这个困难。该模型基于YOLOv7-tiny网络模型,并对其进行了多项改进,旨在提高模型的精度和速度。首先,通过对CBAM注意力机制的通道域进行改进,解决了因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv7-tiny的Neck层中,从而使模型更加精准地定位和识别到关键的目标;其次,将传统的CIoU边界框损失函数替换为SIoU边界框损失函数,以加速边界框回归的同时提高定位准确度;此外,为了减少计算量并加快检测速度,还将颈部层中的普通卷积模块替换为Ghost卷积模块。经过实验测试,改进后网络模型的平均精度均值(mAP)、精准率和召回率分别提升了5.31%、6.53%、2.73%,有效地提高了手语识别网络的检测精确度。

基于改进YOLOv7-tiny的无人机视角目标检测算法

针对无人机在进行目标检测任务时存在背景复杂、小目标多且密集以及无人机的硬件条件有限等问题,基于YOLOv7-tiny,提出一种改进的无人机视角目标检测算法。首先,将原主干网络结合MobileNetV3进行轻量化改进,引入深度可分离卷积结构,减少网络的参数量;其次,在颈部网络添加GAM全局注意力机制,使网络能够聚焦目标特征,提升检测性能;最后,将定位损失函数改进为SIoU函数,提高网络训练的收敛速度及精度。在VisDrone2019数据集上进行的消融实验及对比实验显示,本文改进后的算法平均检测精度达到45.5%,mAP50达到37.6%,浮点运算量GFLOPS为10.2 G/S,与原算法相比,精度提高了1.7%,mAP50提高了4.2%,GFLOPS减小23%,每一个改进模块都有效提升了无人机检测复杂背景中小目标的能力。

基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC

针对密集人群下口罩佩戴检测实时性差、难以部署到移动端的问题,提出基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC。该算法结合深度可分离卷积改进的SE注意力机制设计了一种轻量化特征提取模块,并结合BiFPN设计了一种加权特征融合模块。经实验验证,YOLOv7-DSC算法在口罩数据集上mAP为96.9%,与YOLOv7-tiny算法相比仅降低了0.5%;相比于YOLOv3-tiny、YOLOv4-tiny、YOLOv5s、MobileNetV3、ShuffleNetV2、GhostNet和Swin-Transformer算法在mAP上分别高出13.4%、11.2%、4.5%、5.7%、5.8%、4.2%和5.1%;在检测精度与YOLOv7-tiny算法相当的情况下,参数量和计算量分别减少了60%和55%,仅为2.4 M和6.0 G,极大地降低了硬件成本。

改进YOLOv7-tiny的轻量级红外车辆目标检测算法

为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题,提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法:KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块,极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块,提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数,解决了红外数据集难易样本不平衡的问题,提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略,提高了轻量级算法对不同尺度目标的检测效果,降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩,进一步提高了模型对检测红外目标的准确性。实验结果表明,KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%,模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点,拥有更小的模型体积与更好的检测效果。

基于YOLOv7-tiny的轻量化海珍品检测算法

针对当前海珍品捕捞机器人使用的水下目标检测算法参数量大,不适合部署在移动设备上等问题,提出一种基于YOLOv7-tiny(You Only Look Once version 7-tiny)的轻量化海珍品检测算法ES YOLOv7-tiny(EfficientNet-S YOLOv7-tiny)。在YOLOv7-tiny基础上,首先,将骨干网络替换为改进的EfficientNet(EfficientNet-S),并将颈部网络中卷积核大小为3×3卷积替换为轻量化卷积,达到降低参数量的目的;其次,使用k-means++算法聚类锚框尺寸,提高推理速度;最后,使用知识蒸馏算法进一步提高精度。在RUIE(Real-world Underwater Image Enhancement)数据集上,所提算法平均精度均值(mAP)达到73.7%,检测速度达到123 frame/s,参数量为4.45×10^(6),与原YOLOv7-tiny算法相比,在mAP上提升了1.2个百分点,检测速度提升25 frame/s,参数量降低了1.56×10^(6)。实验结果表明,所提算法在提升精度的同时降低了参数量,并且加快了检测速度,证明了该算法的有效性。

基于改进YOLOv7-tiny焊缝表面缺陷检测算法

针对在焊缝表面缺陷的深度学习目标检测算法容易出现误检率较高、检测准确率较低的问题,为提高焊缝缺陷检测效率,文中基于YOLOv7-tiny目标检测算法进行一系列改进。首先,采用GSConv改进YOLOv7-tiny网络的Neck层,以减少网络的参数量,降低模型的计算复杂度;在下采样阶段引入无参数注意力(SimAM),在通道或者空间维度中的任意维度上进行特征捕捉和特征融合,实现多维信息的交互,提高网络对复杂背景下焊缝的关键特征捕捉能力。试验结果表明,在相同试验条件下改进YOLOv7-tiny相较于YOLOv7-tiny准确率均值(mAP)提高了1.86%,参数量和计算量分别下降了15.28%和5.3%。改进YOLOv7-tiny准确率有明显提升,可实现快速、精准检测焊缝表面缺陷。

基于YOLOv7-Tiny的改进型城市植物检测算法

城市路边植物的检测与识别是智能洒水车的关键技术。针对路边植被图像检测中的小目标漏检和遮挡问题,提出一种改进型YOLOv7-Tiny的植物检测算法。在创建数据集时,使用相机实景拍摄和图片爬虫抓取方法获取原始数据集,通过LabelImg进行人工标注,并采用mosaic数据增强方法扩充数据集。为兼具准确率和较高检测速度,首先将YOLOv7-Tiny网络作为baseline,在网络的Head部分引入无参数SimAM注意力机制,使网络在不增加模型复杂度的情况下聚焦更多重要的特征信息;其次在网络的Head部分将ACmix替换部分传统卷积,以实现更高效的特征融合;最后在算法中使用SIOU替换原YOLOv7-Tiny网络模型的CIOU来优化损失函数,以减少损失函数的自由度并提升网络鲁棒性。实验表明,改进算法在测试集上的均值平均精度mAP@50:95达到67.2%,相较于YOLOv7-Tiny算法提升3.1%,在保证模型轻量化的同时具有较高的检测精度,可满足智能洒水车轻量化植物检测的准确度和速度要求。

基于改进YOLOv7-tiny的光伏电池缺陷检测算法

针对光伏电池对于太阳能转化效率不稳定的问题,提高光伏电池的质量,提出基于改进YOLOv7-tiny的光伏电池缺陷检测算法PSD-YOLO,在YOLOv7-tiny中引入轻量化卷积模块PSDConv。将GSConv中的DW卷积替换为Partial卷积,降低了内存访问量并提高了检测速度;并且引入了GhostNetv2中的解耦全连接注意力(DFC)机制,在保持其可部署性的同时提高了轻量级算法对光伏电池复杂缺陷类型的检测能力;在损失函数部分,将原本的CIoU替换为EIoU,加速了收敛且提高了回归精度。实验结果表明,PSD-YOLO模型在参数量和计算量方面分别相较于YOLOv7-tiny模型下降了18.3%和16.7%,模型大小仅有4.9×10^(6),mAP@0.5提升了5.3个百分点,在实现更小模型体积的同时,达到了更高的检测性能。

复杂场景下的改进YOLOv7-tiny安全帽佩戴检测算法

针对建筑工地复杂场景下安全帽图像因背景信息复杂、光照强度和拍摄角度不同等特点,导致YOLOv7-tiny安全帽检测算法识别精度低,易出现漏检以及误检等问题,提出了一种MCWE-YOLO安全帽检测算法。通过改进Mosaic方法进行数据增强,丰富数据多样性;将CoordAttention注意力模块嵌入YOLOv7-tiny模型中,以增强模型对小目标语义信息的提取能力和全局感知能力;提出一种新的FR-ODConv动态卷积代替Head中的静态卷积,并自适应动态调整卷积核的权值,使模型能够更好地提取不同形状和大小安全帽的关键特征;改进算法的损失函数,以聚焦于普通质量的锚框,提高模型检测整体性能;提出用Res-EDH解耦头结构替换原始的Detect结构,对分类和回归进行解耦,在提升精度的同时降低了延时。最后使用开源GDUT-HWD安全帽数据集进行训练测试,实验结果表明,MCWE-YOLO算法的mAP达到87.3%,相比原始YOLOv7-tiny算法提升了1.6%,对比其他算法的最优值提升了2.1%,能有效提高安全帽检测精度,实现建筑工地安全帽的自动化检测。

基于YOLOv7-tiny的轻量化火焰检测算法

针对目前火焰检测算法具有参数量大、检测效果差等问题,提出一种基于YOLOv7-tiny的火焰检测算法。首先,为减少模型的参数量和计算量,在Backbone层和Head层分别融入PConv和GSConv。然后,为降低轻量化网络造成的特征损失,引入CBAM注意力机制。实验结果表明,改进后的参数量和计算量分别下降47.5%和45%,而mAP提升2.1%。结果表明,改进后算法在参数量、计算量、检测精度和检测速度等方面具有明显优势。

改进YOLOv7-tiny的轻量化大型铸件焊缝缺陷检测

针对目前焊缝缺陷数据集少,检测环境恶劣,人为识别困难等问题,提出了一种改进的YOLOv7-tiny算法。由于检测物体缺陷形状不规则,采用可变形卷积能够学习到更加丰富的特征信息和感知到物体的细节信息,增强了模型的表达能力和泛化能力;为了在提高焊缝缺陷检测速度的同时,不降低准确率,满足工厂实时性的要求,提出了一种融合轻量化卷积和注意力机制的ELAN-PCS网络结构;为了解决中小目标检测困难,很容易出现漏检的情况,引入了通道注意力机制。实验结果表明,与原YOLOv7-tiny相比,改进模型在大型铸件焊缝缺陷数据集上mAP(0.5)提升1.8%、mAP(0.5~0.95)提升6.8%,模型参数量下降1.9 M。

面向配电柜字符识别的YOLOv7-MSBP目标定位算法

通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch检测分支,改进初始锚框铺设间隔,从而提高对小目标的检测精度。其次,引入双向特征金字塔网络(BiFPN)跨尺度融合不同层特征值,以改善因下采样造成的细节特征丢失、特征融合不充分的现象;同时,设计同步混合阈卷积注意力模块(Syn-CBAM),加权融合通道和空间注意力特征,以提升算法的特征提取能力;并且,在主干网络引入部分卷积(PConv)模块,以降低算法冗余和延迟,提高检测速度。最后,将YOLOv7-MSBP的定位结果送入Paddle OCR(Optical Character Recognition)模型识别字符。实验结果表明,YOLOv7-MSBP算法的平均精度均值(mAP)达到93.2%,与YOLOv7算法相比提高了4.3个百分点,可见所提算法能够快速准确定位识别配电柜字符,验证了所提算法的有效性。

基于麻雀搜索算法改进的YOLOv7-ECA-SSA模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。